La brecha laboral de los jóvenes expuestos a IA llega al 19%, no prueba causalidad
El empleo de trabajadores estadounidenses de 22 a 25 años en ocupaciones muy expuestas a la inteligencia artificial quedó, hasta junio de 2026, aproximadamente un 19% por debajo de donde habría llegado si hubiese avanzado al ritmo de sus pares en ocupaciones menos expuestas, de acuerdo con la revisión del estudio de Stanford Digital Economy Lab. Los autores clasifican el patrón como un indicador descriptivo temprano, no como una estimación causal definitiva.
La cifra no significa que la IA haya eliminado esa proporción de los empleos juveniles ni que represente la tasa de desempleo del grupo. Mide una divergencia entre trayectorias laborales: aparece al comienzo de la carrera, no alcanza una magnitud comparable entre trabajadores experimentados y tampoco demuestra un desplazamiento generalizado en toda la economía.
Qué compara realmente la cifra
El denominador relevante no es todo el empleo juvenil ni el número de puestos que existía antes de ChatGPT. El análisis normaliza el empleo de distintos grupos ocupacionales en una base común y compara después su evolución según el grado de exposición de sus tareas a la IA.
El grupo de referencia está formado por trabajadores de la misma franja de edad empleados en ocupaciones menos expuestas. La pregunta estadística es cuánto habría avanzado el empleo del grupo muy expuesto si hubiese seguido el mismo ritmo que ese grupo de comparación.
Un ejemplo puramente aritmético ayuda a distinguir la brecha de una pérdida directa: si una trayectoria termina en un índice de 100 y otra en 81, la segunda queda un 19% por debajo de la primera. La distancia puede combinar crecimiento de un grupo, estancamiento del otro o una caída parcial; por sí sola, no revela cuántos puestos fueron destruidos.
La expresión “donde habría llegado” tampoco describe un mercado sin IA que los investigadores pudieran observar. Es una referencia construida a partir del recorrido de otros trabajadores. Para convertirla en un contrafactual causal habría que demostrar que, en ausencia de la tecnología, ambos grupos habrían evolucionado igual y que ninguna otra diferencia relevante explica su separación.
Qué población y qué variable entran en la medición
El trabajo utiliza registros administrativos de nómina de ADP, no una encuesta de expectativas ni un recuento de anuncios de despido. La descripción de la muestra de ADP Research indica que el sistema reúne unos cuatro millones de trabajadores, 25.000 empleadores y más de 730 ocupaciones, con segmentación por edad, profesión y exposición.
Ese volumen permite observar grupos concretos con más detalle que muchas estadísticas agregadas, pero no convierte la muestra en un censo del mercado laboral estadounidense. Las empresas atendidas por un procesador de nóminas pueden diferir del conjunto nacional por sector, tamaño, educación de la plantilla o composición ocupacional.
La variable observada es el empleo registrado en nómina. No muestra directamente cuántas solicitudes enviaron los candidatos, qué vacantes dejaron de publicarse, cuánto duró cada búsqueda ni qué herramientas adoptó cada empresa. El ajuste detectado se concentra principalmente en una contratación más débil de jóvenes, no en un aumento equivalente de las separaciones de quienes ya estaban empleados.
Por qué sobresalen quienes comienzan su carrera
La edad funciona aquí como aproximación a una etapa profesional, no como explicación biológica ni como frontera válida para todas las carreras. Los puestos iniciales suelen contener una proporción mayor de trabajo apoyado en conocimiento codificado: procedimientos documentados, producción estandarizada y contenidos adquiridos mediante formación formal.
Los modelos generativos pueden reproducir o acelerar parte de ese trabajo porque opera sobre información ya expresada en textos y otros formatos digitales. En cambio, el conocimiento tácito adquirido mediante práctica, mentoría y exposición repetida a situaciones reales —por ejemplo, interpretar el contexto de un cliente o resolver una excepción— resulta menos sencillo de encapsular.
Este mecanismo es compatible con los datos, pero no demuestra que cada vacante juvenil ausente haya sido sustituida por un sistema de IA. También pueden influir la composición educativa, los cambios sectoriales, la organización interna de las empresas y tendencias laborales que comenzaron antes de la adopción extendida de la IA generativa.
Además, exposición no equivale automáticamente a sustitución. La divergencia es mayor en ocupaciones donde el uso de IA tiende a automatizar tareas humanas; donde la tecnología complementa el trabajo, el empleo aparece estable o creciente, sobre todo entre personas experimentadas. Dos ocupaciones expuestas pueden seguir recorridos distintos según qué tareas se automaticen y cuáles se amplíen.
Por qué los controles no prueban una causa única
El patrón persiste cuando se excluyen empresas tecnológicas y ocupaciones informáticas, se considera la sensibilidad a los tipos de interés y al trabajo remoto, y se emplean medidas alternativas de exposición. Estas comprobaciones reducen la plausibilidad de algunas explicaciones rivales, pero no eliminan todas las diferencias entre personas, empresas y profesiones.
Tres cautelas pesan especialmente. La divergencia se atenúa al controlar por educación; algunas tendencias distintas ya eran visibles antes de la expansión de la IA generativa; y el resultado es más pronunciado en la muestra de ADP que en referencias basadas en encuestas nacionales. Exposición técnica y adopción efectiva tampoco son la misma variable: que una ocupación incluya tareas realizables por un modelo no demuestra que todos sus empleadores lo utilicen.
Una medición distinta ayuda a delimitar el alcance del hallazgo. La nota de la Reserva Federal sobre anuncios de empleo, basada en datos de septiembre de 2023 a noviembre de 2025, no detectó una reducción general de publicaciones en empresas o industrias con mayor adopción de IA.
Los resultados no son contradictorios: la Reserva Federal analiza anuncios totales y adopción empresarial, mientras que la brecha juvenil se refiere al empleo efectivo en nómina dentro de edades y ocupaciones concretas. Una estabilidad agregada puede coexistir con dificultades concentradas si las empresas cambian sus prioridades de contratación.
Qué permite decidir la evidencia
El resultado no justifica descartar una profesión completa por su nivel de exposición. Para valorar una ocupación conviene distinguir las tareas estandarizadas que una herramienta puede ejecutar de las funciones complementarias que exigen verificar resultados, integrar información propia de una organización, gestionar excepciones o asumir responsabilidad ante clientes y equipos.
Para quien inicia su carrera, demostrar juicio contextual, supervisión de resultados y capacidad para trabajar con información específica de una organización puede reducir la dependencia de tareas fácilmente codificables. Es una inferencia práctica, no una garantía de contratación ni un efecto medido por el estudio.
La señal también plantea un problema de largo plazo: si disminuyen los puestos donde se adquiere experiencia, puede estrecharse la vía hacia el conocimiento tácito que distingue después a los trabajadores experimentados. La evidencia disponible obliga a vigilar esa transición, pero todavía no permite determinar cuánto de la brecha causó la IA ni si la divergencia continuará, se estabilizará o se revertirá.
Lee también:
Suscríbete a nuestro boletín
Reciba las últimas noticias sobre Web3, IA y criptomonedas directamente en su bandeja de entrada.